El AB testing es un método para comparar dos versiones de una misma página, email o anuncio, mostrando cada una a una parte del tráfico y midiendo cuál genera más conversiones. La versión que gana con significancia estadística se queda; la otra se descarta. Es la base técnica de cualquier proceso serio de CRO (optimización de la tasa de conversión).
La parte que casi nadie explica bien es que un AB test mal planteado, sin tráfico suficiente o interpretado sin rigor estadístico, no solo no ayuda: hace que tomes decisiones equivocadas con la confianza de que estaban «validadas por datos».
Qué es el AB testing
En un AB testing divides el tráfico de una página en dos grupos aleatorios: al grupo A (control) le muestras la versión actual; al grupo B (variante) le muestras una versión con un solo cambio (un título, un botón, un formulario más corto). Comparas la tasa de conversión de cada grupo y determinas si la diferencia es real o producto del azar.
El nombre viene de ahí: A es la versión de control, B es la variante. Cuando se comparan más de dos versiones a la vez se llama test multivariante, una variante más compleja del mismo principio que exige bastante más tráfico para llegar a una conclusión fiable.
Para qué sirve el AB testing
Sirve para dejar de decidir cambios en la web a base de opinión («a mí me parece que así queda mejor») y empezar a decidirlos a base de comportamiento real de tus usuarios. Un rediseño completo puede tardar meses y salir mal; un AB test aísla un cambio concreto, mide su efecto real sobre la conversión, y reduce el riesgo de invertir tiempo y dinero en algo que en realidad empeora los resultados.
El beneficio no es solo el test que gana. Cada test, gane o pierda, te deja un dato real sobre cómo se comporta tu audiencia, algo que ninguna opinión interna ni benchmark genérico del sector te va a dar.
Qué se puede testear en un AB test
- Formularios: número de campos, orden de los campos, texto del botón de envío.
- Páginas de producto o servicio: posición del precio, prueba social, CTA principal.
- Checkout de ecommerce: pasos del proceso de compra, gastos de envío visibles desde el principio o no.
- Emails: asunto, remitente, primera línea visible.
- Anuncios de pago: creatividad, ángulo del mensaje, landing de destino.
- Navegación y menú: orden de las categorías, etiquetas de los enlaces principales.
Cómo funciona el AB testing paso a paso
1. Formular una hipótesis, no una idea suelta
«Vamos a probar un botón verde» no es una hipótesis, es una idea. Una hipótesis de verdad conecta un cambio con un motivo: «si reducimos el formulario de 8 a 4 campos, la tasa de envío subirá porque el campo de empresa y el de mensaje generan fricción en móvil». Sin esa lógica detrás, un test que gane no te dice nada replicable para el siguiente.
2. Definir una única métrica de éxito antes de lanzar el test
Decide antes de empezar qué métrica decide el test (formularios enviados, llamadas, compras) y no la cambies a mitad de camino. Mirar varias métricas y quedarte con la que «salió bien» es la forma más común de engañarte a ti mismo con datos.
3. Calcular el tamaño de muestra necesario
Antes de lanzar el test, calcula cuántas visitas y conversiones necesitas para detectar una diferencia real con fiabilidad. A modo de ejemplo ilustrativo: una página que convierte al 3% y recibe 2.000 visitas al mes necesita varias semanas de test para detectar una mejora de 1 punto porcentual con garantías; la misma mejora en una página con 50.000 visitas al mes se detecta en días. El tráfico disponible, no las ganas de tener un resultado, es lo que marca cuánto debe durar el test. Para el cálculo puedes usar una calculadora de tamaño de muestra como la de Evan Miller, de referencia habitual en la industria.
4. Ejecutar el test el tiempo suficiente
El test debe correr como mínimo un ciclo completo de negocio (normalmente una o dos semanas), para capturar variaciones de comportamiento entre días laborables y fin de semana, y hasta alcanzar el tamaño de muestra calculado en el paso anterior. Pararlo en cuanto «se ve una diferencia» es el error número uno de todo AB testing amateur.
5. Analizar la significancia estadística
Un resultado se considera fiable, en general, con un nivel de confianza del 95% o superior. Por debajo de eso, la diferencia entre A y B puede deberse simplemente al azar, no a que la variante sea mejor. Dicho de forma simple: si repitieras el mismo test cien veces, un resultado con 95% de confianza acertaría en al menos 95 de esas cien repeticiones.
6. Implementar la variante ganadora y documentar el aprendizaje
Si la variante gana, se implementa. Si no gana, el test no es un fracaso: es un aprendizaje real sobre lo que no mueve la aguja para esa audiencia, y evita repetir el mismo cambio en otro sitio pensando que «seguro que ahí sí funciona».
Significancia estadística: por qué la mayoría de tests AB fallan sin saberlo
El error más extendido en AB testing no es técnico, es de paciencia: mirar el panel de la herramienta cada día y publicar la variante en cuanto parece ir ganando. Con pocos días de datos, esa «ventaja» suele ser ruido estadístico, no una diferencia real. La forma correcta es fijar de antemano el tamaño de muestra necesario y no tocar el test hasta llegar a él, por muy tentador que sea mirar el marcador a mitad de partido.
Calcular el tamaño de muestra y no tocar el test hasta llegar a él es justo la parte que más equipos se saltan por falta de tiempo. Si prefieres que alguien lo monte, lo vigile y conecte los resultados con tu SEO y tu tráfico de pago, así es como trabajamos el CRO y AB Testing en Wardem.
AB testing vs CRO: en qué se diferencian
El AB testing es una técnica; el CRO es la disciplina que decide qué testear, por qué y en qué orden. Un test A/B aislado, sin conectarlo con tu SEO, tu tráfico de pago y tu embudo real, puede ganar en la herramienta de testing y no significar nada en ventas. Por eso en Wardem no vendemos «hacer AB tests» como servicio suelto: el CRO conecta el testing con de dónde viene el tráfico y qué pasa después de la conversión.
AB testing y SEO: por qué no deberían ir por separado
Un test A/B mal ejecutado técnicamente (contenido duplicado entre variantes, redirecciones mal configuradas, o una variante indexada por error) puede dañar el posicionamiento orgánico de la página que estás testeando. Y al revés: los datos de comportamiento real que da un AB test (qué títulos generan más clics, qué estructura retiene más a los usuarios) son información directa para mejorar el SEO de esa misma página. Tratarlos como dos proyectos separados, con equipos que no se hablan, es la forma más común de perder el doble de tiempo para la mitad de resultado.
Herramientas más usadas para hacer AB testing
Las plataformas dedicadas más habituales en el mercado son VWO, Optimizely y AB Tasty, con capacidad de segmentación avanzada y test multivariante. Para negocios con menos volumen de tráfico, herramientas de analítica y experimentación integradas en Google Analytics 4 o en la propia plataforma de ecommerce (Shopify, entre otras) permiten montar tests más simples sin coste adicional de licencia. La herramienta importa menos que el proceso: un test bien planteado en una herramienta básica gana a un test mal planteado en una herramienta cara. Para negocios con más volumen de datos, en Wardem exploramos también enfoques de CRO basado en IA, con modelado predictivo del comportamiento en vez de solo comparar variantes.
AB testing en B2B versus ecommerce: no se testea igual
En ecommerce el volumen de tráfico y de conversiones suele ser alto, lo que permite resultados en días o pocas semanas, y los tests se centran en fricción de compra: checkout, ficha de producto, envíos. En B2B, con menos visitas y ciclos de decisión más largos, la conversión que se testea rara vez es la venta final, sino un paso intermedio (una demo solicitada, un formulario de contacto cualificado), y el test necesita correr más tiempo para acumular datos suficientes. Aplicar la misma lógica de «test rápido, resultado en una semana» de ecommerce a un proyecto B2B suele terminar en decisiones tomadas con muestras demasiado pequeñas.
Errores más comunes al hacer AB testing
- Parar el test en cuanto «se ve» una diferencia, antes de alcanzar significancia estadística real.
- Testear con tráfico insuficiente, lo que hace prácticamente imposible detectar una mejora real en un plazo razonable.
- Cambiar varias cosas a la vez en la misma variante, perdiendo la capacidad de saber qué cambio concreto provocó el resultado.
- No segmentar el análisis por origen de tráfico o dispositivo, mezclando comportamientos muy distintos en una sola media.
- Repetir un test ganador en otro contexto sin volver a validarlo, asumiendo que lo que funcionó una vez funciona siempre.
- Testear cambios triviales (un tono de color, una sombra) en vez de los elementos que de verdad generan fricción, solo porque son fáciles de montar.
Cuándo tiene sentido hacer AB testing, y cuándo no
Si una página recibe poco tráfico, un AB test puede tardar meses en alcanzar significancia estadística, si es que la alcanza. En ese caso, el tiempo se invierte mejor en cambios basados en investigación de usuario, benchmarks del sector y buenas prácticas ya validadas, no en un test que nunca llegará a una conclusión fiable. El AB testing rinde de verdad a partir de un volumen de tráfico y conversiones que lo sostenga.
¿Quieres implementar AB testing con criterio de negocio, no solo de herramienta?
En Wardem conectamos cada test con tu SEO, tu tráfico de pago y tu embudo real. Habla con nosotros sobre CRO.
Preguntas frecuentes sobre AB testing
¿Qué significa AB testing?
Es un método de experimentación que compara dos versiones (A y B) de un mismo elemento digital, mostrando cada una a una parte del tráfico, para determinar cuál obtiene mejores resultados de forma medible.
¿Cómo funciona el AB testing?
Se divide el tráfico de forma aleatoria entre la versión de control y la variante, se mide una métrica de éxito definida de antemano, y se analiza si la diferencia de resultados es estadísticamente significativa antes de decidir qué versión implementar.
¿Es difícil hacer una prueba AB?
Técnicamente, montar el test es sencillo con las herramientas actuales. Lo difícil, y donde la mayoría falla, es plantear bien la hipótesis, calcular el tamaño de muestra necesario y esperar a tener significancia estadística real antes de sacar conclusiones.
¿Cómo se hace un AB testing paso a paso?
Formulando una hipótesis con un motivo detrás, definiendo una única métrica de éxito, calculando el tráfico y las conversiones necesarias, ejecutando el test el tiempo suficiente, y analizando el resultado con un nivel de confianza estadística de al menos el 95% antes de implementar la variante ganadora.
¿Cuánto tiempo debe durar un AB test?
Como mínimo una o dos semanas, para cubrir un ciclo completo de comportamiento entre días laborables y fin de semana, y siempre hasta alcanzar el tamaño de muestra calculado antes de empezar. No hay un número de días fijo válido para todos los casos: depende del tráfico y la tasa de conversión de cada página.
¿Necesitas montar esto en tu web, no solo entenderlo?
Hasta aquí, la teoría. Si quieres que alguien lo monte, lo conecte con tu SEO y tu tráfico de pago, y lo mida de verdad, en Wardem trabajamos el CRO y AB Testing como parte conectada de tu estrategia de crecimiento, no como tests sueltos sin relación con el resto de tu negocio.
